CN108787486A - 基于深度学习的卷烟识别分拣方法及其卷烟识别分拣装置 - Google Patents
基于深度学习的卷烟识别分拣方法及其卷烟识别分拣装置 Download PDFInfo
- Publication number
- CN108787486A CN108787486A CN201810568921.6A CN201810568921A CN108787486A CN 108787486 A CN108787486 A CN 108787486A CN 201810568921 A CN201810568921 A CN 201810568921A CN 108787486 A CN108787486 A CN 108787486A
- Authority
- CN
- China
- Prior art keywords
- cigarette
- image
- sorting
- convolution
- acquisition device
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
- B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
- B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
- B07C5/34—Sorting according to other particular properties
- B07C5/3412—Sorting according to other particular properties according to a code applied to the object which indicates a property of the object, e.g. quality class, contents or incorrect indication
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
- B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
- B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
- B07C5/02—Measures preceding sorting, e.g. arranging articles in a stream orientating
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/06—Recognition of objects for industrial automation
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种基于深度学习的卷烟识别分拣方法及其卷烟识别分拣装置,本发明的方法包括如下步骤:启动整个卷烟识别分拣装置,图像采集器处于待命状态;图像采集器开始采集图像,然后将采集到的图像进行压缩编码,并将其传送至图像识别系统中;图像识别系统中,将采集到的条烟图像输入到卷积神经网络中,得到的输出为条烟的种类;确认客户所需的条烟的品牌以及数量是否符合,当所有订单分拣完成,系统关闭。本发明解决了现有的卷烟识别分拣方法的工作量大、识别精度不高的问题。
Description
技术领域
本发明涉及卷烟识别分拣技术领域,尤其涉及一种基于深度学习的卷烟识别分拣方法及其卷烟识别分拣装置。
背景技术
我国是卷烟生产以及消费的大国,2015年烟草行业上缴财政总额超过11000亿元,占国家财政收入的比重高达7.3%。且从行业发展中可以估计,它在未来的一定时期还会一直保持甚至发展。
我国卷烟实现了“一库制”集中配送的网建新模式,这种新模式有多品种、少批量、多用户的特点,这使得一个地级市烟草配送中心条烟每日分拣量达到1000箱以上。为适应配送中心数量多,分拣效率高的要求,国内烟草配送中心多使用半自动卷烟分拣机。半自动卷烟分拣机分为上烟、分拣、收烟三个环节,本发明是针对分拣过程中的条烟识别功能。
现有的条烟识别分拣设备主要用于解决在匀速运动的传送装置上,对于包装好的条烟的种类进行识别。以此来确定传送装置上的条烟是否是需要的品牌以及数目。现阶段主流的条烟识别系统有基于二维码的识别系统和基于数字图像的识别系统。
基于二维码的识别系统,顾名思义,是通过扫描条烟上的二维码来进行条烟种类识别。如果成功获取二维码信息,则卷烟的正确识别率很高。但是扫描前,必须确保条烟上刻有二维码的面朝上且正对扫描器,该过程主要是人工的,如此便大大的增加了工作量。而且二维码的识别时间较长,在高速运动的传送装置上很容易因二维码扫描失败而造成错误识别或拒绝识别。
基于数字图像的识别系统则是通过数字图像的知识,将采集到的条烟图像进行预处理(灰度化,图像增强,图像压缩等)后,对图像进行分割并提取图像的特征(主成分分析,频谱特征等),进而通过一些模式识别的方法(模板匹配,模糊模式,支持向量机等)对图像进行分类。但是,目前基于数字图像识别方法的效率低下,精确度并不高。
发明内容
本发明的目的在于:为解决现有的卷烟识别分拣方法的工作量大、识别精度不高的问题,本发明提供一种基于深度学习的卷烟识别分拣方法及其卷烟识别分拣装置。
本发明的技术方案如下:
一种基于深度学习的卷烟识别分拣方法,包括如下步骤:
步骤1:启动整个卷烟识别分拣装置,图像采集器处于待命状态;
步骤2:当卷烟位于图像采集器下方时,图像采集器开始采集图像;
步骤3:将采集到的图像进行压缩编码,并将其传送至图像识别系统中;
步骤4:图像识别系统中,将采集到的条烟图像输入到卷积神经网络中,得到的输出为条烟的种类;
步骤5:图像识别系统调出数据库的其中一个订单,确认客户所需的条烟的品牌以及数量是否符合,如果符合则进入步骤6;如果不符合订单要求,则停止分拣,并立即更正错误条烟,待错误纠正后,返回步骤3;
步骤6:检测步骤5中获取的订单分拣是否完成,如果没有完成则回到步骤3,如果完成,则再次调出下一个订单;当所有订单分拣完成,系统关闭。
具体地,所述步骤4中的卷积神经网络的获得包括搭建过程和训练过程,卷积神经网络的搭建过过程为:搭建4个卷积层、2个池化层、2个全连接层以及1个输出层。
具体地,所述卷积神经网络的训练过程为:
步骤4.1:模拟卷烟分拣场景,采集客户需求的所有卷烟种类的图像;如果已有的条烟图像库足够大,则不需要该步骤;
步骤4.2:将采集到的所有图像做翻转、对称变化以扩大训练样本,并贴上相应的类别标签;
步骤4.3:将贴上标签的图像分为训练集和测试集;
步骤4.4:将训练集导入建立好后的卷积神经网络中进行训练,经过10k次以上的训练,得到参数合理的神经网络;
步骤4.5:将测试集导入步骤4.4得到的卷积神经网络进行分类,如果识别率达到要求,则神经网络训练完成,否则重复步骤4.1到步骤4.5,直到识别率达到要求。
具体地,所述的卷积神经网络的具体结构为:
卷积层1:卷积核尺寸为3×3,颜色通道为3,卷积核数量为64,卷积步长为1×1;
卷积层2:卷积核尺寸为5×5,通道为64,卷积核数量为128,卷积步长为1×1;
池化层1:卷积核尺寸为3×3,卷积步长为2×2;
卷积层3:卷积核尺寸为3×3,颜色通道为128,卷积核数量为64,卷积步长为1×1;
卷积层4:卷积核尺寸为5×5,通道为64,卷积核数量为64,卷积步长为1×1;
池化层2:卷积核尺寸为3×3,卷积步长为2×2;
全连接层1:输入:M,输出:128;
全连接层2:输入:128,输出:128;
输出层:输入:128,输出:N,N为待识别卷烟总数。
本发明的一种卷烟识别分拣装置,卷烟识别分拣装置,包括:
传送装置,用于放置并传送卷烟;
图像采集器,用于采集卷烟的图像;
传感器,用于感应所述图像采集器下方是否有卷烟;
补光器,用于对卷烟进行补充光亮;
图像识别系统,用于根据接收到的客户订单数据,对图像采集器采集到的图像那个进行基于卷积神经网络的图像识别;
控制中心,用于传送装置、传感器、图像采集器、补光器和图像识别系统的打开与启动。
采用上述方案后,本发明的有益效果如下:
(1)相比于二识别方法,该发明的优点在于把条烟送上传送装置时,不需要人工将带二维码的面朝向扫描器,无论条烟处于哪一个面,何种角度都能进行识别。且避免了由于传送装置速度过快导致的二维码扫描失败。
(2)相比于普通的数字图像识别方法支持向量机、模板匹配等,由于高性能GPU的支持,且无需繁琐的图像灰度化,图像分割等图像预处理过程,卷积神经网络识别在训练以及真正的分拣中的识别速度高于传统的条烟识别方法,同时,识别率也高于传统的方法,且训练数据量越大,训练数据与实际场景越接近,识别率就越高。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。通过附图所示,本发明的上述及其它目的、特征和优势将更加清晰。在全部附图中相同的附图标记指示相同的部分。并未刻意按实际尺寸等比例缩放绘制附图,重点在于示出本发明的主旨。
图1为本发明的流程图;
图2为本发明的卷积神经网络结构图;
图3为本发明的卷烟识别分拣装置结构示意图;
图中标记:1-传送装置,2-图像采集装置,3-卷烟,4-补光器,5-图像识别系统。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为解决现有的卷烟识别分拣方法的工作量大、识别精度不高的问题,本发明提供一种基于深度学习的卷烟识别分拣方法。首先,对本发明的卷烟3识别分拣方法的卷烟识别装置进行介绍,如图3所示,本发明的卷烟3识别装置包括:
传送装置1,用于放置并传送卷烟3。
传感器,用于感应所述图像采集器下方是否有卷烟3;具体而言,是用于感应图像采集装置2的正下方是否有卷烟3。
图像采集器,用于采集卷烟3的图像。
补光器4,用于对卷烟3进行补充光亮。
图像识别系统5,用于根据接收到的客户订单数据,对图像采集器采集到的图像那个进行基于卷积神经网络的图像识别。
控制中心,用于传送装置、传感器、图像采集器、补光器4和图像识别系统5的打开与启动。图中,控制中心和传感器没有画出。
如图1所示,本发明的一种基于深度学习的卷烟识别分拣方法包括如下步骤:
步骤1:启动整个卷烟3识别分拣装置,图像采集器处于待命状态;
步骤2:如果控制中心未接收到采集信号,图像采集器则一直处于待命状态;当控制中心接收到采集信号时,控制中心发出控制信号给图像采集器,当卷烟3位于图像采集器下方时,图像采集器开始采集图像,采样率与传送装置的速度相匹配;
步骤3:将采集到的图像进行压缩编码,并将其传送至图像识别系统5中;
步骤4:图像识别系统5中,将采集到的条烟图像输入到卷积神经网络中,得到的输出为条烟的种类;
步骤5:图像识别系统5调出数据库的其中一个订单,确认客户所需的条烟的品牌以及数量是否符合,如果符合则进入步骤6;如果不符合订单要求,则停止分拣,并立即更正错误条烟,待错误纠正后,返回步骤3;
步骤6:检测步骤5中获取的订单分拣是否完成,如果没有完成则回到步骤3,如果完成,则再次调出下一个订单;当所有订单分拣完成,系统关闭。
如图2所示,步骤4中的卷积神经网络的获得包括搭建过程和训练过程,卷积神经网络的搭建过过程为:搭建4个卷积层、2个池化层、2个全连接层以及1个输出层。所述的卷积神经网络的具体结构为:卷积层1:卷积核尺寸为3×3,颜色通道为3(RGB),卷积核数量为64,卷积步长为1×1;卷积层2:卷积核尺寸为5×5,通道为64,卷积核数量为128,卷积步长为1×1;池化层1:卷积核尺寸为3×3,卷积步长为2×2;卷积层3:卷积核尺寸为3×3,颜色通道为128,卷积核数量为64,卷积步长为1×1;卷积层4:卷积核尺寸为5×5,通道为64,卷积核数量为64,卷积步长为1×1;池化层2:卷积核尺寸为3×3,卷积步长为2×2;全连接层1:输入:M(根据图像采集器的不同或者图像分辨率的不同可变化),输出:128;全连接层2:输入:128,输出:128;输出层:输入:128,输出:N,N为待识别卷烟3总数。
搭建好卷积神经网络后,进入训练过程。所述卷积神经网络的训练过程为:
步骤4.1:模拟卷烟3分拣场景,采集客户需求的所有卷烟3种类的图像;条烟为长方体,6个面都需要拍到;如果已有的条烟图像库足够大,则不需要该步骤。
步骤4.2:将采集到的所有图像做翻转、对称变化以扩大训练样本,并贴上相应的类别标签。
步骤4.3:将贴上标签的图像分为训练集和测试集。
步骤4.4:将训练集导入建立好后的卷积神经网络中进行训练,经过10k次以上的训练,得到参数合理的神经网络;
步骤4.5:将测试集导入步骤4.4得到的卷积神经网络进行分类,如果识别率达到要求,则神经网络训练完成,否则重复步骤4.1到步骤4.5,直到识别率达到要求。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何属于本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。
Claims (6)
1.基于深度学习的卷烟识别分拣方法,其特征在于,包括如下步骤:
步骤1:启动整个卷烟(3)识别分拣装置,图像采集器处于待命状态;
步骤2:当卷烟(3)位于图像采集器下方时,图像采集器开始采集图像;
步骤3:将采集到的图像进行压缩编码,并将其传送至图像识别系统(5)中;
步骤4:图像识别系统(5)中,将采集到的条烟图像输入到卷积神经网络中,得到的输出为条烟的种类;
步骤5图像识别系统(5)调出数据库的其中一个订单,确认客户所需的条烟的品牌以及数量是否符合,如果符合则进入步骤6;如果不符合订单要求,则停止分拣,并立即更正错误条烟,待错误纠正后,返回步骤3;
步骤6:检测步骤5中获取的订单分拣是否完成,如果没有完成则回到步骤3,如果完成,则再次调出下一个订单;当所有订单分拣完成,系统关闭。
2.根据权利要求1中所述的基于深度学习的卷烟识别分拣方法,其特征在于,所述步骤4中的卷积神经网络的获得包括搭建过程和训练过程,卷积神经网络的搭建过过程为:搭建4个卷积层、2个池化层、2个全连接层以及1个输出层。
3.根据权利要求2所述的基于深度学习的卷烟识别分拣方法,其特征在于,所述卷积神经网络的训练过程为:
步骤4.1:模拟卷烟(3)分拣场景,采集客户需求的所有卷烟种类的图像;;如果已有的条烟图像库足够大,则不需要该步骤;
步骤4.2:将采集到的所有图像做翻转、对称变化以扩大训练样本,并贴上相应的类别标签;
步骤4.3:将贴上标签的图像分为训练集和测试集;
步骤4.4:将训练集导入建立好后的卷积神经网络中进行训练,经过10k次以上的训练,得到参数合理的神经网络;
步骤4.5:将测试集导入步骤4.4得到的卷积神经网络进行分类,如果识别率达到要求,则神经网络训练完成,否则重复步骤4.1到步骤4.5,直到识别率达到要求。
4.根据权利要求1-3所述的基于深度学习的卷烟识别分拣方法,其特征在于,所述的卷积神经网络的具体结构为:
卷积层1:卷积核尺寸为3×3,颜色通道为3,卷积核数量为64,卷积步长为1×1;
卷积层2:卷积核尺寸为5×5,通道为64,卷积核数量为128,卷积步长为1×1;
池化层1:卷积核尺寸为3×3,卷积步长为2×2;
卷积层3:卷积核尺寸为3×3,颜色通道为128,卷积核数量为64,卷积步长为1×1;
卷积层4:卷积核尺寸为5×5,通道为64,卷积核数量为64,卷积步长为1×1;
池化层2:卷积核尺寸为3×3,卷积步长为2×2;
全连接层1:输入:M,输出:128;
全连接层2:输入:128,输出:128;
输出层:输入:128,输出:N,N为待识别卷烟(3)总数。
5.根据权利要求1-3中任意一项所述的卷烟识别分拣装置,其特征在于,卷烟(3)识别分拣装置,包括:
传送装置(1),用于放置并传送卷烟(3);
图像采集器,用于采集卷烟(3)的图像;
传感器,用于感应所述图像采集器下方是否有卷烟(3);
补光器(4),用于对卷烟(3)进行补充光亮;
图像识别系统(5),用于根据接收到的客户订单数据,对图像采集器采集到的图像那个进行基于卷积神经网络的图像识别;
控制中心,用于传送装置(1)、传感器、图像采集器、补光器(4)和图像识别系统(5)的打开与启动。
6.根据权利要求4中任意一项所述的卷烟识别分拣装置,其特征在于,包括:
传送装置,用于放置并传送卷烟(3);
图像采集器,用于采集卷烟(3)的图像;
传感器,用于感应所述图像采集器下方是否有卷烟(3);
补光器(4),用于对卷烟(3)进行补充光亮;
图像识别系统(5),用于根据接收到的客户订单数据,对图像采集器采集到的图像那个进行基于卷积神经网络的图像识别;
控制中心,用于传送装置(1)、传感器、图像采集器、补光器(4)和图像识别系统(5)的打开与启动。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810568921.6A CN108787486A (zh) | 2018-06-05 | 2018-06-05 | 基于深度学习的卷烟识别分拣方法及其卷烟识别分拣装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810568921.6A CN108787486A (zh) | 2018-06-05 | 2018-06-05 | 基于深度学习的卷烟识别分拣方法及其卷烟识别分拣装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108787486A true CN108787486A (zh) | 2018-11-13 |
Family
ID=64088533
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810568921.6A Pending CN108787486A (zh) | 2018-06-05 | 2018-06-05 | 基于深度学习的卷烟识别分拣方法及其卷烟识别分拣装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108787486A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109472316A (zh) * | 2018-11-16 | 2019-03-15 | 南通大学 | 一种基于深度学习的滤棒装盒质量识别方法 |
CN110525839A (zh) * | 2019-07-29 | 2019-12-03 | 四川九哈科技股份有限公司 | 一种餐厨垃圾兼性厌氧收集储存方法 |
CN111476061A (zh) * | 2019-01-23 | 2020-07-31 | 阿里巴巴集团控股有限公司 | 商品生产中的计数处理方法、装置、系统及电子设备 |
CN112036435A (zh) * | 2020-07-22 | 2020-12-04 | 温州大学 | 一种基于卷积神经网络的无刷直流电机传感器故障检测方法 |
CN112528841A (zh) * | 2020-12-11 | 2021-03-19 | 中航贵州飞机有限责任公司 | 一种基于神经网络的无纸化生产用智能识别系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107092906A (zh) * | 2017-05-01 | 2017-08-25 | 刘至键 | 一种基于深度学习的中药材识别装置 |
CN107169961A (zh) * | 2017-05-15 | 2017-09-15 | 中烟追溯(北京)科技有限公司 | 一种基于cis图像采集的条烟分拣检测系统和方法 |
CN107392931A (zh) * | 2017-08-08 | 2017-11-24 | 南京敏光视觉智能科技有限公司 | 条烟品牌分类装置及方法 |
CN107833083A (zh) * | 2017-09-25 | 2018-03-23 | 阿里巴巴集团控股有限公司 | 一种货物订单处理方法、装置、服务器、购物终端及系统 |
CN107967773A (zh) * | 2017-12-01 | 2018-04-27 | 旗瀚科技有限公司 | 一种基于视觉识别的超市自助购物方法 |
-
2018
- 2018-06-05 CN CN201810568921.6A patent/CN108787486A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107092906A (zh) * | 2017-05-01 | 2017-08-25 | 刘至键 | 一种基于深度学习的中药材识别装置 |
CN107169961A (zh) * | 2017-05-15 | 2017-09-15 | 中烟追溯(北京)科技有限公司 | 一种基于cis图像采集的条烟分拣检测系统和方法 |
CN107392931A (zh) * | 2017-08-08 | 2017-11-24 | 南京敏光视觉智能科技有限公司 | 条烟品牌分类装置及方法 |
CN107833083A (zh) * | 2017-09-25 | 2018-03-23 | 阿里巴巴集团控股有限公司 | 一种货物订单处理方法、装置、服务器、购物终端及系统 |
CN107967773A (zh) * | 2017-12-01 | 2018-04-27 | 旗瀚科技有限公司 | 一种基于视觉识别的超市自助购物方法 |
Non-Patent Citations (1)
Title |
---|
薄琪苇: "基于卷积神经网络技术的蔬菜种类识别方法", 《计算机时代》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109472316A (zh) * | 2018-11-16 | 2019-03-15 | 南通大学 | 一种基于深度学习的滤棒装盒质量识别方法 |
CN109472316B (zh) * | 2018-11-16 | 2021-12-28 | 南通大学 | 一种基于深度学习的滤棒装盒质量识别方法 |
CN111476061A (zh) * | 2019-01-23 | 2020-07-31 | 阿里巴巴集团控股有限公司 | 商品生产中的计数处理方法、装置、系统及电子设备 |
CN111476061B (zh) * | 2019-01-23 | 2023-05-02 | 阿里巴巴集团控股有限公司 | 商品生产中的计数处理方法、装置、系统及电子设备 |
CN110525839A (zh) * | 2019-07-29 | 2019-12-03 | 四川九哈科技股份有限公司 | 一种餐厨垃圾兼性厌氧收集储存方法 |
CN112036435A (zh) * | 2020-07-22 | 2020-12-04 | 温州大学 | 一种基于卷积神经网络的无刷直流电机传感器故障检测方法 |
CN112036435B (zh) * | 2020-07-22 | 2024-01-09 | 温州大学 | 一种基于卷积神经网络的无刷直流电机传感器故障检测方法 |
CN112528841A (zh) * | 2020-12-11 | 2021-03-19 | 中航贵州飞机有限责任公司 | 一种基于神经网络的无纸化生产用智能识别系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108787486A (zh) | 基于深度学习的卷烟识别分拣方法及其卷烟识别分拣装置 | |
CN109550712A (zh) | 一种化纤丝尾丝外观缺陷检测系统及方法 | |
CN110991435A (zh) | 一种基于深度学习的快递运单关键信息定位方法和装置 | |
CN108562589A (zh) | 一种对磁路材料表面缺陷进行检测的方法 | |
CN109092696B (zh) | 分拣系统及分拣方法 | |
CN105678344A (zh) | 一种电力仪表设备的智能分类方法 | |
CN106033544A (zh) | 基于模板匹配的试卷内容区域提取方法 | |
CN107179324A (zh) | 检测产品包装的方法、装置和系统 | |
CN107092906A (zh) | 一种基于深度学习的中药材识别装置 | |
CN206132657U (zh) | 一种基于机器视觉的烫金质量智能检测系统 | |
CN106645180A (zh) | 检查基板玻璃缺陷的方法、现场终端及服务器 | |
CN110245550A (zh) | 一种基于总体余弦分布的人脸噪音数据集cnn训练方法 | |
CN108710893A (zh) | 一种基于特征融合的数字图像相机源模型分类方法 | |
CN106874913A (zh) | 一种菜品检测方法 | |
CN104361357A (zh) | 基于图片内容分析的相片集分类系统及分类方法 | |
CN112529901A (zh) | 一种复杂环境下的裂缝识别方法 | |
CN110009019A (zh) | 磁性材料裂纹智能检测系统及方法 | |
CN114066848A (zh) | 一种fpca外观缺陷视觉检测系统 | |
CN106604193A (zh) | 应用于受话器的缺陷检测方法及系统 | |
CN109614994A (zh) | 一种瓷砖分类识别方法及装置 | |
CN104281850A (zh) | 一种文字区域识别方法和装置 | |
CN109086737B (zh) | 基于卷积神经网络的航运货物监控视频识别方法及系统 | |
CN112819017B (zh) | 基于直方图的高精度色偏图像识别方法 | |
CN103617262A (zh) | 图片内容属性识别方法和系统 | |
CN110688900A (zh) | 一种基于图像识别的撤回表计管理方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181113 |
|
RJ01 | Rejection of invention patent application after publication |